Lärbarheten av Pauli Noise| Qiskit Seminar Series med Senrui Chen

Källnod: 1714132

Nyligen har flera kvantbenchmarking-algoritmer utvecklats för att karakterisera bullriga kvantportar på dagens kvantenheter.

En grundläggande fråga för bruskarakterisering är att inte allt om kvantbrus är lärbart på grund av förekomsten av mätfrihet.

Frågan om vilken information som är självständigt lärbar har varit oklar även för en enda CNOT-grind. Här ger vi en exakt karakterisering av inlärbarheten av Pauli-brus associerat med Clifford-grindar med hjälp av grafteoretiska verktyg, vilket visar att den lärbara informationen exakt motsvarar cykelutrymmet för mönsteröverföringsgrafen för grinduppsättningen. Våra resultat avslöjar optimaliteten hos cykelbenchmarking i den meningen att den kan extrahera all lärbar information om Pauli-buller. Vi demonstrerar experimentellt Pauli bruskarakterisering av IBM:s CNOT-grind upp till två olärliga frihetsgrader, för vilka vi får gränser med hjälp av fysiska begränsningar. Dessutom visar vi att försök att extrahera olärbar information genom att ignorera tillståndsberedningsbrus ger opysiska uppskattningar, som kan användas för att sänka gränsen för tillståndsberedningsbruset oberoende av mätningen.

[Förtryck: https://arxiv.org/abs/2206.06362]

[Inbäddat innehåll]

Frank

#DataScientist, #DataEngineer, Blogger, Vlogger, Podcaster på http://DataDriven.tv .

Tillbaka @Microsoft för att hjälpa kunder att utnyttja #AI Opinions mine. #武當派 fan.

Jag bloggar för att hjälpa dig att bli en bättre datavetare/ML-ingenjör

Åsikter är mina. Alla mina.

Tidsstämpel:

Mer från Franks värld